Update app.py

app.py

@@ -5,16 +5,13 @@ import cv2
 from tensorflow.keras import datasets, layers, models
 import os
 
-# ============================================
 # 1. تحميل أو بناء النموذج
-# ============================================
 model_path = 'mnist_cnn_model.keras'
-
 if os.path.exists(model_path):
     model = tf.keras.models.load_model(model_path)
     print("✅ تم تحميل النموذج المحفوظ.")
 else:
-    print("⚠️ لم يتم العثور على النموذج، جارٍ البناء والتدريب...")
+    print("⚠️ بناء النموذج وتدريبه...")
     model = models.Sequential([
         layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
         layers.MaxPooling2D((2, 2)),
@@ -30,79 +27,37 @@ else:
     (train_images, train_labels), _ = datasets.mnist.load_data()
     train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
     model.fit(train_images, train_labels, epochs=3, validation_split=0.1, verbose=1)
-    model.save('mnist_cnn_model.keras')
-    print("✅ تم بناء النموذج وتدريبه وحفظه.")
-
-# ============================================
-# 2. تحميل بيانات MNIST للأمثلة العشوائية
-# ============================================
-(_, _), (test_images, test_labels) = datasets.mnist.load_data()
-test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255
+    model.save(model_path)
+    print("✅ تم حفظ النموذج.")
 
-# ============================================
-# 3. دالة معالجة الصورة والتنبؤ
-# ============================================
+# 2. دالة التنبؤ
 def predict_image(image):
-    """
-    تستقبل صورة (مرسومة أو مرفوعة)، تعالجها وتعيد الاحتمالات.
-    """
     try:
-        # إذا كانت الصورة قادمة كـ dict (من ImageEditor) نأخذ 'composite'
+        # إذا كانت الصورة قادمة من ImageEditor كـ dict
         if isinstance(image, dict):
             image = image['composite']
-        # تحويل إلى تدرج رمادي
         gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
-        # تغيير الحجم
         resized = cv2.resize(gray, (28, 28))
-        # قلب الألوان (افتراض خلفية سوداء ورسم أبيض)
         inverted = 255 - resized
         normalized = inverted.astype('float32') / 255.0
         reshaped = normalized.reshape(1, 28, 28, 1)
-        # التنبؤ
-        prediction = model.predict(reshaped, verbose=0)[0]
-        return {str(i): float(prediction[i]) for i in range(10)}
+        pred = model.predict(reshaped, verbose=0)[0]
+        return {str(i): float(pred[i]) for i in range(10)}
     except Exception as e:
-        return {"خطأ": str(e)}
-
-# ============================================
-# 4. دالة المثال العشوائي
-# ============================================
-def random_example():
-    idx = np.random.randint(0, len(test_images))
-    img = test_images[idx].reshape(28, 28)
-    img_rgb = np.stack([img] * 3, axis=2)
-    # ImageEditor يتوقع dict يحتوي على 'composite'
-    return {"composite": img_rgb}, f"الرقم الحقيقي: {test_labels[idx]}"
-
-# ============================================
-# 5. بناء الواجهة باستخدام gr.ImageEditor
-# ============================================
-with gr.Blocks(title="MNIST Digit Recognizer") as demo:
-    gr.Markdown("# 🧠 التعرف على الأرقام المكتوبة بخط اليد")
-    gr.Markdown("ارسم رقماً في المربع أو ارفع صورة، ثم اضغط **توقع**.")
-
-    with gr.Row():
-        with gr.Column(scale=1):
-            # استخدام ImageEditor (مدعوم رسمياً للرسم)
-            input_image = gr.ImageEditor(
-                label="ارسم أو ارفع صورة",
-                type="numpy",
-                brush=gr.Brush(colors=["#FFFFFF"], default_color="#FFFFFF"),
-                canvas_size=(280, 280)
-            )
-            with gr.Row():
-                submit_btn = gr.Button("🔮 توقع", variant="primary")
-                random_btn = gr.Button("🎲 مثال عشوائي", variant="secondary")
-            info = gr.Textbox(label="📌 معلومات", interactive=False)
-
-        with gr.Column(scale=1):
-            output = gr.Label(num_top_classes=3, label="📊 الاحتمالات")
-
-    # ربط الأزرار
-    submit_btn.click(fn=predict_image, inputs=input_image, outputs=output)
-    random_btn.click(fn=random_example, inputs=[], outputs=[input_image, info])
-
-# ============================================
-# 6. تشغيل التطبيق (بدون if __name__)
-# ============================================
-demo.launch(server_name="0.0.0.0", server_port=7860)
+        return {"error": str(e)}
+
+# 3. إنشاء الواجهة باستخدام gr.Interface (الأكثر استقراراً)
+demo = gr.Interface(
+    fn=predict_image,
+    inputs=gr.ImageEditor(
+        label="ارسم أو ارفع صورة",
+        type="numpy",
+        canvas_size=(280, 280)
+    ),
+    outputs=gr.Label(num_top_classes=3, label="الاحتمالات"),
+    title="🧠 التعرف على الأرقام المكتوبة بخط اليد",
+    description="ارسم رقماً (0-9) في المربع، أو ارفع صورة، واضغط Submit."
+)
+
+# 4. التشغيل (بدون أي معاملات إضافية)
+demo.launch()